第4章异方差性课件.ppt

（3）怀特检验 在方程窗口中依次点击： View＼Residual Test＼White Heteroskedasticity 本例含交叉乘积项回归后不显著，取不含交叉乘积项。估计结果如下。 表4.5.3 怀特检验结果 3．消除异方差性 取原模型残差绝对值的倒数为权数，采用加权最小二乘法，回归结果如表4.5.4所示。 表4.5.4 加权最小二乘法回归结果 为了分析异方差性的校正情况，在方程窗口中依次点击：View＼Residual Test＼White Heteroskedasticity，结果如下： 表4.5.5 WLS估计模型后的怀特检验结果 可以看出，与采用OLS估计原模型相比，无论是拟合优度，还是各参数t统计量以及F统计量的值都有了显著提高。 回归结果表明，中国农村居民人均消费支出与从事农业经营收入、与从事非农经营收入显著正相关。从事农业经营收入每增长1%，农村居民人均消费支出将增长0.38%；从事非农经营收入每增长1%，农村居民人均消费支出将增长0.51%。来源于非农经营收入的差别是影响我国不同地区农村人均消费支出的差别主要原因。 上述回归方程表明利润函数存在异方差性。 以上怀特检验、戈里瑟检验和帕克检验方法统称为残差回归检验法。 4.3.5 ARCH检验（自回归条件异方差检验） 如果在建模分析中所用样本资料是时间序列数据，当存在异方差性的时候，可考虑用ARCH(autoregressive conditional heteroskedasticity)方法检验，设ARCH过程为: 则ARCH检验的基本步骤如下： 1．运用OLS方法对模型 4.4.1 模型变换法 模型变换法即对存在异方差性的模型进行适当的变量变换，使变换后的模型满足同方差假定。前提是要合理确定异方差性的具体形式，这可以通过用帕克检验、戈里瑟检验等方法所提供的异方差的具体形式来确定。 设模型为一元线性回归模型： 记： 4.4.2 加权最小二乘法(WLS) 加权最小二乘法是对原模型加权，使之变成一个新的不存在异方差性的模型，然后采用OLS法估计其参数。加权的基本思想是：在采用OLS方法时，对较小的残差平方赋予较大的权数，对较大的残差平方赋予较小的权数，以对残差提供的信息的程度作一番校正，提高参数估计的精度。 加权最小二乘估计的EViews软件实现过程： EViews软件的具体执行过程为 (1)生成权数变量； (2)使用加权最小二乘法估计模型； 命令方式: LS(W=权数变量或表达式) y c x 菜单方式: ①在方程窗口中点击Estimate按钮；②在弹出的方程说明对话框中点击Option进入参数设置对话框；③在参数设置对话框中选定Weighted LS方法，并在权数变量栏中输入权数变量，然后点击OK返回方程说明对话框；④点击OK，系统将采用WLS方法估计模型。 (3)对估计后的模型，再使用White检验判断是否消除了异方差性。 例4.4.1 我国制造工业利润函数中异方差性的调整。 1．先用最小二乘法估计模型，估计结果为: 依次键入命令：LS（W=W1） y c x 或直接键入命令：LS（W=1/x） y c x 或在方程窗口中点击Estimate＼Options按钮，并在权数变量栏输入W1，可以得到以下估计结果： 表4.4.1 加权最小二乘法估计结果 为了分析异方差性的校正情况，利用WLS估计出每个模型之后，还需要利用White检验再次判断模型是否存在着异方差性，White检验结果如下： 4.4.3 模型的对数变换 进行回归，通常可以降低异方差性的影响。其原因在于：（1）对数变换能使测定变量值的尺度缩小，它可以将两个数值之间原来10倍的差异缩小到只有2倍的差异；（2）经过对数变换后的线性模型，其残差表示为相对误差，而相对误差往往具有较小的差异。 例4.4.2 我国制造工业利润函数中异方差性的调整。用GENR生成序列lny和lnx，即在光标处键入： GENR lny=log（y） GENR lnx=log（x） 然后，用OLS方法求lny对lnx的回归，其结果如下： 表4.4.2 对数变换回归结果 为了分析异方差性的校正情况，利用WLS估计出每个模型之后，还需要利用White检验再次判断模型是否存在异方差性，White检验结果如下： 从残差图也可以看出不存在异方差性。 图4.4.2给出了没取对数模型残差e与取对数模